基于虹软人脸识别，实现本地视频流或RTSP视频流实现人脸追踪（C++）

最新推荐文章于 2023-04-08 14:02:21 发布
最新推荐文章于 2023-04-08 14:02:21 发布
阅读量1.5k 收藏 18
点赞数 6
分类专栏： C++ opencv 文章标签： c++ 人脸识别 opencv
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/milkhoko/article/details/120049667
版权
opencv 同时被 2 个专栏收录
11 篇文章 1 订阅
订阅专栏
C++
5 篇文章 0 订阅
订阅专栏

【置顶】项目解决方案下载链接
提取码为demo

文章目录

一、前言

1. 文章内容

本文主要基于C++语言，利用虹软人脸识别SDK，来实现本地视频流或RTSP视频流的人脸追踪。
实现内容包括实时检测摄像头的图像帧，实现多人脸的跟踪或将摄像头图像帧的每个人脸特征与人脸库中的人脸信息特征进行对比，实现指定目标的人脸跟踪。

2. 关键技术

2.1 C++

C++ 是一种中级语言，它是由 Bjarne Stroustrup 于 1979 年在贝尔实验室开始设计开发的。. C++ 进一步扩充和完善了 C 语言，是一种面向对象的程序设计语言，并且C++可以很好地应用在多种平台上，比如：Windows、Mac以及Unix的各个版本。

2.2 OpenCV

OpenCV是一个开元的跨平台的计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法，在图像处理方面有着极高的性能表现！

2.3 ArcFace

虹软提供的离线人脸识别库，版本为4.1。
虹软拥有着全球领先的视觉智能技术，在多平台多语言的人脸检测、人脸跟踪、人脸对比以及更为丰富的人脸属性检测、IR/RGB活体检测、图像质量检测方便都有着不错的性能。

二、正文

我们使用的是windows版本，直接下载虹软SDK得到一个压缩包，解压缩之后就可以得到我们需要的文件（结构如下）：
图源于开发说明文档

1. 前期准备

需要注意的是：我们的工程是在32位（x86）环境下进行的！

1.1 新建项目解决方案

使用VS2017在E盘新建一个控制台工程（对MFC还不熟悉，仅使用控制台作为演示），名为myFaceDemo。
在这里插入图片描述

我们这里创建一个预编译头的（或者空项目皆可）解决方案

在这里插入图片描述
然后先在Debug x86环境下运行一次，使得解决方案生成debug文件夹目录。
在这里插入图片描述

1.2 拷贝所需要的文件到工作空间：

  1. 将sdk解压包的inc和lib文件夹复制到myFaceDemo解决方案中myFaceDemo.vcxproj文件所在目录：在这里插入图片描述
  2. 将demo中opencv249文件夹也复制到该目录下：在这里插入图片描述
  3. 将下图两个文件复制到解决方案生成的debug目录下：在这里插入图片描述
  4. 将opencv249文件夹按下图路径将.dll文件也复制到debug文件夹下：在这里插入图片描述
  5. 将sdk解压包中lib文件夹（之前复制过，但是需要将里面的dll文件复制到debug目录下）（如下图）：在这里插入图片描述
  6. 将opencv的lib文件复制到myFaceDemo解决方案的lib文件夹下：在这里插入图片描述
  7. 另外这里需要将6中右图路径lib/win32路径下的所有lib文件复制到lib文件夹，而不是lib/win32文件夹（当然也可以放在win32文件夹下，但是之后添加库的时候路径要选择win32文件夹）
  8. 这样我们就保证将所需要的dll文件复制到debug文件夹下，将lib文件夹整理到lib文件夹下，将opencv也复制到我们的工作空间（也就是解决方案）中，便于之后我们添加路径。

1.3 VS2017属性页配置路径

  1. 在附加包含目录添加下面的路径

E:\myFaceDemo\myFaceDemo\opencv249\include
E:\myFaceDemo\myFaceDemo\opencv249\include\opencv
E:\myFaceDemo\myFaceDemo\opencv249\include\opencv2
在这里插入图片描述

  1. 在链接器中的附加库目录添加下面的路径

E:\myFaceDemo\myFaceDemo\lib
E:\myFaceDemo\Debug

在这里插入图片描述

  1. 在链接器->输入->附加依赖项中添加下面内容：

opencv_imgproc249d.lib
opencv_highgui249d.lib
opencv_core249d.lib

在这里插入图片描述
此时，我们的环境就配置成功了，下面我们添加头文件验证一下：

1.4 加入头文件

#include "pch.h"
#include <stdio.h>
#include <stdlib.h>
#include "arcsoft_face_sdk.h"
#include "amcomdef.h"
#include "asvloffscreen.h"
#include "merror.h"
#include <direct.h>
#include <iostream>  
#include <stdarg.h>
#include <string>
#include "opencv2/opencv.hpp"
#include <fstream>//用于文件操作，保存设备信息用于生成离线激活文件.dat

加入上面的头文件之后我们再次生成运行，没有报错，表示我们的配置成功！！！

2. 跟踪视频中所有人脸

跟踪视频中所有人脸的流程图为：
在这里插入图片描述

2.1 获取设备信息（用于生成离线激活文件）

using namespace std;
using namespace cv;

#pragma comment(lib, "libarcsoft_face_engine.lib")
ofstream fout;//需要添加头文件<fstream>
void GetDeviceInfo()
{
	MRESULT res = MOK;
	char* deviceInfo = NULL;//保存设备信息
	res = ASFGetActiveDeviceInfo(&deviceInfo);
	if (res != MOK) {
		printf("ASFGetActiveDeviceInfo: %d\n", res);
	}
	fout.open("device.txt");
	fout << deviceInfo;//将设备信息输出到文件
}

int main()
{
	GetDeviceInfo();
}
  • 我们首先在myFaceDemo.vcxproj所在目录下新建一个名为devInfo.txt的txt文件。
  • 在上面的代码中，我们主要包装了一个用于生成设备信息并保存在本地的函数：GetDeviceInfo()
  • 该函数调用ASFGetActiveDeviceInfo接口，将设备信息保存在deviceInfo中，然后通过文件操作将其值输出到文件devInfo.txt中。
  • 运行上面的程序然后打开devInfo.txt文件会发现保存下来一些内容：在这里插入图片描述
    然后我们需要在虹软官网上使用该文件生成离线激活文件（.dat）

2.2 生成离线激活文件

这步操作需要在虹软官网上进行。

  1. 进入开发者中心，找到下载sdk包的地方，点击下图所示的的查看试用码：在这里插入图片描述
    然后我们找到一个待激活的点击离线激活：在这里插入图片描述
  2. 选择SDK版本（我这里是4.1版本），进入下一步：在这里插入图片描述
  3. 点击上传设备信息，然后找到我们生成的devInfo.txt文件上传：在这里插入图片描述
    上传之后点击生成离线授权文件：在这里插入图片描述
  4. 下载授权文件：在这里插入图片描述
  5. 然后将该文件复制到与设备信息文件devInfo.txt同一目录下，并修改其名称为decActive.dat
    在这里插入图片描述
    在这里插入图片描述

2.3 使用授权文件激活设备

我们再包装一个用于离线激活设备的函数**devActive()**并在主函数中调用：

 void devActive()
 {
	 char ActiveFileName[] = "decActive.dat";	//创建一个字符数组来保存激活文件的文件名
	 MRESULT res = ASFOfflineActivation(ActiveFileName);	//离线激活
	 if (MOK != res && MERR_ASF_ALREADY_ACTIVATED != res &&
		 MERR_ASF_LOCAL_EXIST_USEFUL_ACTIVE_FILE != res)
	 {
		 cout << "ASFOfflineActivation failed: " << res << endl;	//激活失败打印
	 }
	 else cout << "ASFOfflineActivation success" << endl;	//激活成功打印
 }

然后我们在主函数中调用该函数，得到如下结果，说明我们的设备激活成功啦！
在这里插入图片描述

2.4 激活引擎

激活引擎需要调用的接口函数为：ASFInitEngine()

MRESULT InitEngine(ASF_DetectMode detectMode)//初始化引擎
{
	m_hEngine = NULL;
	MInt32 mask = 0;

	if (ASF_DETECT_MODE_IMAGE == detectMode)
	{
		mask = ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_AGE | ASF_GENDER | ASF_LIVENESS | ASF_IR_LIVENESS;
	}
	else
	{
		mask = ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_LIVENESS | ASF_IR_LIVENESS;//功能选择，mask作为ASFInitEngine的参数
	}

	MRESULT res = ASFInitEngine(detectMode, ASF_OP_ALL_OUT, FACENUM, mask, &m_hEngine);
	return res;
}

这里我们重新包装了一下，调用MRESULT InitEngine(ASF_DetectMode detectMode)来进行激活，可以选择激活模式为图片或者视频：

  • detectMode == ASF_DETECT_MODE_IMAGE 为图片模式
  • detectMode == ASF_DETECT_MODE_VIDEO 为视频模式

这样我们在主函数中可以通过下面的语句激活引擎m_hEngine。
这里注意m_hEngine要先进行定义（见完整程序）

MHandle m_hEngine;//引擎handle

然后调用

InitEngine(ASF_DETECT_MODE_VIDEO);

这样我们就完成了引擎的激活，在之后我们进行识别跟踪时，调用虹软sdk函数需要用到我们激活的引擎：m_hEngine

2.5 重要函数

  1. 裁剪图像的函数PicCutOut()
 //裁剪图片
 void PicCutOut(IplImage* src, IplImage* dst, int x, int y)
 {
	 if (!src || !dst)
	 {
		 return;
	 }

	 CvSize size = cvSize(dst->width, dst->height);//区域大小
	 cvSetImageROI(src, cvRect(x, y, size.width, size.height));//设置源图像ROI
	 cvCopy(src, dst); //复制图像
	 cvResetImageROI(src);//源图像用完后，清空ROI
 }
  1. 颜色空间转换函数ColorSpaceConversion()

将处理后的图像信息保存在offscreen中

 //颜色空间转换
 int ColorSpaceConversion(IplImage* image, MInt32 format, ASVLOFFSCREEN& offscreen)
 {
	 switch (format)
	 {
	 case ASVL_PAF_RGB24_B8G8R8:
		 offscreen.u32PixelArrayFormat = (unsigned int)format;
		 offscreen.i32Width = image->width;
		 offscreen.i32Height = image->height;
		 offscreen.pi32Pitch[0] = image->widthStep;
		 offscreen.ppu8Plane[0] = (MUInt8*)image->imageData;
		 break;
	 case ASVL_PAF_GRAY:
		 offscreen.u32PixelArrayFormat = (unsigned int)format;
		 offscreen.i32Width = image->width;
		 offscreen.i32Height = image->height;
		 offscreen.pi32Pitch[0] = image->widthStep;
		 offscreen.ppu8Plane[0] = (MUInt8*)image->imageData;
		 break;
	 default:
		 return 0;
	 }
	 return 1;
 }
  1. 提取人脸信息函数PreDetectFace()

使用该函数，输入为：

  • 图片数据 image
  • 使用引擎tempEngine ，如果不传入该参数，使用默认值为m_hEngine，用于实现视频识别跟踪，或者传入m_hImgEngine实现图片提取人脸信息

实现图像帧中人脸信息的提取，返回值为：

  • 所有人脸信息detectedFaces
//提取人脸信息
//如果不传入使用的引擎，那么默认使用视频引擎，返回为保存所有人脸的多信息
MRESULT PreDetectFace(IplImage* image, ASF_MultiFaceInfo& MultiFaces, MHandle& tempEngine = m_hEngine)
{
	if (!image) { cout << "图片为空" << endl;	return -1; }
	IplImage* cutImg = NULL;
	MRESULT res = MOK;
	MultiFaces = { 0 };//人脸检测
	cutImg = cvCreateImage(cvSize(image->width - (image->width % 4), image->height), IPL_DEPTH_8U, image->nChannels);
	PicCutOut(image, cutImg, 0, 0);
	ASVLOFFSCREEN offscreen = { 0 };
	ColorSpaceConversion(cutImg, ASVL_PAF_RGB24_B8G8R8, offscreen);
	res = ASFDetectFacesEx(tempEngine, &offscreen, &MultiFaces);
	if (res != MOK || MultiFaces.faceNum < 1)
	{
		cvReleaseImage(&cutImg);
		return -1;
	}
	return res;
}
  1. 提取人脸特征函数

使用该函数，输入为：

  • 图片数据image
  • 单人脸信息faceRect
  • 使用引擎tempEngine ，默认值为m_hEngine，即使用视频跟踪引擎

注意： 我们使用的是同一个引擎提取人脸特征，所以对于提取到的特征要进行复制（memcpy），因为同一个引擎多次进行特征提取会覆盖之前的特征，所以进行特征比对时，如果没有对特征进行复制，得到的对比结果始终为1。

//提取特征，如果不输入引擎，那么默认选用视频引擎，进行人脸人脸追踪，否则进行图片特征提取
MRESULT PreExtractFeature(IplImage* image, ASF_FaceFeature& feature, ASF_SingleFaceInfo& faceRect, MHandle& tempEngine = m_hEngine)
{
	if (!image || image->imageData == NULL)
		return -1;
	IplImage* cutImg = cvCreateImage(cvSize(image->width - (image->width % 4), image->height), IPL_DEPTH_8U, image->nChannels);
	PicCutOut(image, cutImg, 0, 0);
	if (!cutImg) { cvReleaseImage(&cutImg); return -1; }

	MRESULT res = MOK;
	ASF_FaceFeature detectFaceFeature = { 0 };//特征值
	ASVLOFFSCREEN offscreen = { 0 };
	ColorSpaceConversion(cutImg, ASVL_PAF_RGB24_B8G8R8, offscreen);
	if (tempEngine == m_hEngine)
		res = ASFFaceFeatureExtractEx(tempEngine, &offscreen, &faceRect, ASF_RECOGNITION, 0, &detectFaceFeature);//这里相比于3.0版本做了修改
	else
		res = ASFFaceFeatureExtractEx(tempEngine, &offscreen, &faceRect, ASF_REGISTER, 0, &detectFaceFeature);
	if (MOK != res) { cvReleaseImage(&cutImg); return res; }

	if (!detectFaceFeature.feature)
		return -1;

	feature.featureSize = detectFaceFeature.featureSize;
	feature.feature = (MByte *)malloc(detectFaceFeature.featureSize);
	memset(feature.feature, 0, detectFaceFeature.featureSize);
	memcpy(feature.feature, detectFaceFeature.feature, detectFaceFeature.featureSize);
	cvReleaseImage(&cutImg);
	return res;
}

2.6 获取本地流图像帧

然后在main()函数中我们通过本地摄像头或者本地视频来获取图像帧进行检测：

	cv::Mat rgbFrame;//用于保存图像帧
	cv::VideoCapture rgbCapture;
	if (!rgbCapture.isOpened())
	{
		bool res = rgbCapture.open("testVideo.avi");//可以使用本地视频路径
		//bool res = rgbCapture.open(0);//可以使用本地摄像头
		if (res)
			cout << "获取本地视频成功！" << endl;
	}
	//如果是使用摄像头，即rgbCapture.open(0)参数为0，那么可以使用以下内容设置摄像头的长宽，并判断初始化是否成功
	//其中的CV_CAP_PROP_FRAME_WIDTH和CV_CAP_PROP_FRAME_HEIGHT在程序中要定义，见完整程序中宏定义关键量
	//if (!(rgbCapture.set(CV_CAP_PROP_FRAME_WIDTH, VIDEO_FRAME_DEFAULT_WIDTH) &&
	//	rgbCapture.set(CV_CAP_PROP_FRAME_HEIGHT, VIDEO_FRAME_DEFAULT_HEIGHT)))//设置摄像头的宽和高分别为设定值（这里为640×480）
	//{
	//	cout << "RGB摄像头初始化失败！" << endl;
	//	return 1;//设置失败的话就返回1，程序结束
	//}

2.7 在循环中对视频帧进行处理

while (true)
	{
		rgbCapture >> rgbFrame;
		if (!rgbFrame.empty())//判断获取到的视频真是否为空，不为空时进行处理
		{
			ASF_SingleFaceInfo faceInfo = { 0 };//用于保存从视频帧上识别到的最大单人脸信息
			ASF_MultiFaceInfo multiFaceInfo = { 0 };//用于保存从视频帧上识别到的多人脸信息
			IplImage rgbImage(rgbFrame);
			MRESULT detectRes = PreDetectFace(&rgbImage, faceInfo, multiFaceInfo, true);//faceInfo保存的是视频帧上识别到的最大的单人脸信息
			if (MOK == detectRes)//检测到人脸信息
			{
				//对检测到的所有人脸信息画框
				for (int i = 0; i < multiFaceInfo.faceNum; i++)
				{
					cvRectangle(&rgbImage, cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top), cvPoint(multiFaceInfo.faceRect[i].right, multiFaceInfo.faceRect[i].bottom), cvScalar(0, 0, 255), 2);
					cvPutText(&rgbImage, to_string(multiFaceInfo.faceID[i]).c_str(), cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top), &font, CV_RGB(255, 0, 0));//在人脸框左上角标记人脸ID
				}
			}
			//显示图像
			IplImage* m_curVideoImage;//保存拷贝后的图像
			m_curVideoImage = cvCloneImage(&rgbImage);//复制一份图像
			cvNamedWindow("show image");
			cvShowImage("show image", m_curVideoImage);
			if (waitKey(1) >= 0)
				break;
		}
		else//如果视频帧为空，结束
		{
			cout << "视频播放结束" << endl;
			break;
		}
	}
rgbCapture.release();//跳出while循环后释放rgbCapture

下面是完整程序！！！

2.8 完整程序

#include "pch.h"
#include <stdio.h>
#include <stdlib.h>
#include "arcsoft_face_sdk.h"
#include "amcomdef.h"
#include "asvloffscreen.h"
#include "merror.h"
#include <direct.h>
#include <iostream>  
#include <stdarg.h>
#include <string>
#include "opencv2/opencv.hpp"
#include <windows.h>
#include <thread>
#include <time.h>
#include <mutex>
#include <atlstr.h>
#include <future>
#include <fstream>  //进行文件操作

//使用命名空间std和cv
using namespace std;
using namespace cv;

//宏定义关键量
#define NSCALE 32	//支持最小的人脸
#define FACENUM 10	//可识别的人脸数目最大为10

#define VIDEO_FRAME_DEFAULT_WIDTH 640//定义摄像头宽
#define VIDEO_FRAME_DEFAULT_HEIGHT 480//定义摄像头高

//进行全局变量的定义
MHandle m_hEngine;//引擎handle

//加载人脸识别库
#pragma comment(lib, "libarcsoft_face_engine.lib")

void GetDevInfo()
{
	ofstream fout;
	fout.open("devInfo.txt");//将设备信息保存在该文件中
	MRESULT res = MOK;
	char* deviceInfo = NULL;
	res = ASFGetActiveDeviceInfo(&deviceInfo);
	if (res != MOK)
	{
		printf("ASFGetActiveDeviceInfo: %d\n", res);
	}
	fout << deviceInfo;	//进行保存
}

void devActive()
{
	char ActiveFileName[] = "decActive.dat";	//创建一个字符数组来保存激活文件的文件名
	MRESULT res = ASFOfflineActivation(ActiveFileName);	//离线激活
	if (MOK != res && MERR_ASF_ALREADY_ACTIVATED != res &&
		MERR_ASF_LOCAL_EXIST_USEFUL_ACTIVE_FILE != res)
	{
		cout << "ASFOfflineActivation failed: " << res << endl;	//激活失败打印
	}
	else cout << "ASFOfflineActivation success" << endl;	//激活成功打印
}


//裁剪图片
void PicCutOut(IplImage* src, IplImage* dst, int x, int y)
{
	if (!src || !dst)
	{
		return;
	}

	CvSize size = cvSize(dst->width, dst->height);//区域大小
	cvSetImageROI(src, cvRect(x, y, size.width, size.height));//设置源图像ROI
	cvCopy(src, dst); //复制图像
	cvResetImageROI(src);//源图像用完后，清空ROI
}

//颜色空间转换
int ColorSpaceConversion(IplImage* image, MInt32 format, ASVLOFFSCREEN& offscreen)
{
	switch (format)
	{
	case ASVL_PAF_RGB24_B8G8R8:
		offscreen.u32PixelArrayFormat = (unsigned int)format;
		offscreen.i32Width = image->width;
		offscreen.i32Height = image->height;
		offscreen.pi32Pitch[0] = image->widthStep;
		offscreen.ppu8Plane[0] = (MUInt8*)image->imageData;
		break;
	case ASVL_PAF_GRAY:
		offscreen.u32PixelArrayFormat = (unsigned int)format;
		offscreen.i32Width = image->width;
		offscreen.i32Height = image->height;
		offscreen.pi32Pitch[0] = image->widthStep;
		offscreen.ppu8Plane[0] = (MUInt8*)image->imageData;
		break;
	default:
		return 0;
	}
	return 1;
}

MRESULT InitEngine(ASF_DetectMode detectMode)//初始化引擎
{
	m_hEngine = NULL;
	MInt32 mask = 0;

	if (ASF_DETECT_MODE_IMAGE == detectMode)
	{
		mask = ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_AGE | ASF_GENDER | ASF_LIVENESS | ASF_IR_LIVENESS;
	}
	else
	{
		mask = ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_LIVENESS | ASF_IR_LIVENESS;
	}

	MRESULT res = ASFInitEngine(detectMode, ASF_OP_ALL_OUT, FACENUM, mask, &m_hEngine);
	return res;
}

//提取人脸信息
//如果不传入使用的引擎，那么默认使用视频引擎，返回为保存所有人脸的多信息
MRESULT PreDetectFace(IplImage* image, ASF_MultiFaceInfo& MultiFaces, bool isRGB = true, MHandle& tempEngine = m_hEngine)
{
	if (!image) { cout << "图片为空" << endl;	return -1; }
	IplImage* cutImg = NULL;
	MRESULT res = MOK;
	MultiFaces = { 0 };//人脸检测
	cutImg = cvCreateImage(cvSize(image->width - (image->width % 4), image->height), IPL_DEPTH_8U, image->nChannels);
	PicCutOut(image, cutImg, 0, 0);
	ASVLOFFSCREEN offscreen = { 0 };
	ColorSpaceConversion(cutImg, ASVL_PAF_RGB24_B8G8R8, offscreen);
	res = ASFDetectFacesEx(tempEngine, &offscreen, &MultiFaces);
	if (res != MOK || MultiFaces.faceNum < 1)
	{
		cvReleaseImage(&cutImg);
		return -1;
	}
	return res;
}


//提取特征，如果不输入引擎，那么默认选用视频引擎，进行人脸人脸追踪，否则进行图片特征提取
MRESULT PreExtractFeature(IplImage* image, ASF_FaceFeature& feature, ASF_SingleFaceInfo& faceRect, MHandle& tempEngine = m_hEngine)
{
	if (!image || image->imageData == NULL)
		return -1;
	IplImage* cutImg = cvCreateImage(cvSize(image->width - (image->width % 4), image->height), IPL_DEPTH_8U, image->nChannels);
	PicCutOut(image, cutImg, 0, 0);
	if (!cutImg) { cvReleaseImage(&cutImg); return -1; }

	MRESULT res = MOK;
	ASF_FaceFeature detectFaceFeature = { 0 };//特征值
	ASVLOFFSCREEN offscreen = { 0 };
	ColorSpaceConversion(cutImg, ASVL_PAF_RGB24_B8G8R8, offscreen);
	if (tempEngine == m_hEngine)
		res = ASFFaceFeatureExtractEx(tempEngine, &offscreen, &faceRect, ASF_RECOGNITION, 0, &detectFaceFeature);//这里相比于3.0版本做了修改
	else
		res = ASFFaceFeatureExtractEx(tempEngine, &offscreen, &faceRect, ASF_REGISTER, 0, &detectFaceFeature);
	if (MOK != res) { cvReleaseImage(&cutImg); return res; }

	if (!detectFaceFeature.feature)
		return -1;

	feature.featureSize = detectFaceFeature.featureSize;
	feature.feature = (MByte *)malloc(detectFaceFeature.featureSize);
	memset(feature.feature, 0, detectFaceFeature.featureSize);
	memcpy(feature.feature, detectFaceFeature.feature, detectFaceFeature.featureSize);
	cvReleaseImage(&cutImg);
	return res;
}

int main()
{
	//获取设备信息
	GetDevInfo();//调用获取设备信息的函数
	//离线激活设备
	devActive();//调用激活设备的函数

	InitEngine(ASF_DETECT_MODE_VIDEO);

	//捕获图像并开始处理
	cv::Mat rgbFrame;//保存图像帧
	cv::VideoCapture rgbCapture;//获取本地摄像头视频
	if (!rgbCapture.isOpened())
	{
		bool res = rgbCapture.open("testVideo.avi");//可以使用本地视频路径
		//bool res = rgbCapture.open("rtsp://127.0.0.1:8554/demo");//可以使用rtsp视频流
		//bool res = rgbCapture.open(0);//可以使用本地摄像头
		if (res)
			cout << "打开本地摄像头成功！" << endl;
	}
	if (!(rgbCapture.set(CV_CAP_PROP_FRAME_WIDTH, VIDEO_FRAME_DEFAULT_WIDTH) &&
		rgbCapture.set(CV_CAP_PROP_FRAME_HEIGHT, VIDEO_FRAME_DEFAULT_HEIGHT)))//设置摄像头的宽和高分别为设定值（这里为640×480）
	{
		cout << "RGB摄像头初始化失败！" << endl;
		return 1;//设置失败的话就返回1，程序结束
	}
	CvFont font;
	cvInitFont(&font, CV_FONT_HERSHEY_COMPLEX, 0.5, 0.5, 1, 1, 8);
	while (true)
	{
		rgbCapture >> rgbFrame;
		if (!rgbFrame.empty())
		{
			ASF_MultiFaceInfo multiFaceInfo = { 0 };
			IplImage rgbImage(rgbFrame);
			MRESULT detectRes = PreDetectFace(&rgbImage, multiFaceInfo);//faceInfo保存的是视频帧上识别到的最大的单人脸信息
			if (MOK == detectRes)
			{
				//对检测到的所有人脸信息画框
				int i = multiFaceInfo.faceNum;
				for (int i = 0; i < multiFaceInfo.faceNum; i++)
				{
					cvRectangle(&rgbImage, cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top),
						cvPoint(multiFaceInfo.faceRect[i].right, multiFaceInfo.faceRect[i].bottom), cvScalar(0, 0, 255), 2);
					cvPutText(&rgbImage, to_string(multiFaceInfo.faceID[i]).c_str(), cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top), &font, CV_RGB(255, 0, 0));
				}

			}
			//显示图像
			IplImage* m_curVideoImage;//保存拷贝后的图像
			m_curVideoImage = cvCloneImage(&rgbImage);//复制一份图像
			cvNamedWindow("show image");
			cvShowImage("show image", m_curVideoImage);
			if (waitKey(1) >= 0)
				break;
		}
		else
		{
			cout << "视频播放结束" << endl;
			break;
		}
	}
	rgbCapture.release();
	return 0;
}

2.9 运行效果

截取了几张使用本地视频进行人脸跟踪的效果图，可以看到效果还是很好的！！！
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.10 获取rtsp视频帧

如果我们有rtsp视频流的推流链接，那么就很简单，只需要修改下面这句代码：

bool res = rgbCapture.open("testVideo.avi");

修改为：

bool res = rgbCapture.open("rtsp视频流链接");

这样就可以获取对应的画面。

如果我们没有现成的链接，那么我们可以使用一个VLC软件来生成一个rtsp视频流链接来进行测试！

  1. 下载VLC软件——>下载链接

  2. 下载安装后打开软件，选择左上角的媒体->流，然后选择捕获设备，选择我们的笔记本摄像头和音频输入，最后选择串流进入下一步。
    在这里插入图片描述

  3. 点击下一个：
    在这里插入图片描述

  4. 然后按照下图操作，选择rtsp，点击添加后随便输入一个路径名，然后生成的rtsp链接地址就是：rtsp://127.0.0.1:8554/自定义的路径名
    我这里的地址就是：rtsp://127.0.0.1:8554/demo
    在这里插入图片描述

  5. 然后选择一个配置文件，点击下一个：
    在这里插入图片描述

  6. 最后点击流
    在这里插入图片描述
    然后就会通过该软件推送rtsp流，我们拿来测试：

	bool res = rgbCapture.open("rtsp://127.0.0.1:8554/demo");

这样就可以实现rtsp的人脸追踪：
在这里插入图片描述

3. 指定人脸跟踪识别

对于指定人脸的跟踪识别，我们在主程序开始时加入了提取指定图片人脸特征，在视频帧处理时加入了提取所有人脸特征并一 一对比判断置信度数值是否大于设定阈值THRESHOLD（这里设置0.82，可以根据实际情况进行调整）

下面主要介绍人脸对比跟踪部分：

3.1 获取指定人脸的特征信息

	string img_name;
	cout << "请输入图片库中姓名:" << endl;
	cin >> img_name;
	string fimgPath = filePath + img_name + ".jpg"; //简单直接的做法，如果想要更多样正式的获取路径或文件，可以使用c++的文件操作
	Mat tempImg = imread(fimgPath.c_str());
	IplImage getImg(tempImg);
	ASF_MultiFaceInfo getMultiFaceInfo = { 0 };
	PreDetectFace(&getImg, getMultiFaceInfo, true, m_hImgEngine);//图片中的人脸信息保存在getMultiFaceInfo中
	
																 //将多人脸信息提取第一个保存在getFaceInfo，用于下一步的特征提取
	ASF_SingleFaceInfo getFaceInfo;
	getFaceInfo.faceRect = getMultiFaceInfo.faceRect[0];
	getFaceInfo.faceOrient = getMultiFaceInfo.faceOrient[0];
	getFaceInfo.faceDataInfo = getMultiFaceInfo.faceDataInfoList[0];//相比于3.1版本新加入的

	ASF_FaceFeature faceFeature = { 0 };
	PreExtractFeature(&getImg, faceFeature, getFaceInfo, m_hImgEngine);

上述代码的主要步骤为：

  1. 首先，我们保存一下图片路径，然后根据输入的图片名称进行加载
  2. 对加载的图片进行人脸识别，保存识别到的人脸信息getFaceInfo用于下一步特征提取，由于我们得到的是多人脸信息，而特征提取需要的是单人脸信息，所以这里操作一下把多人脸信息的第一个保存在单人脸信息getFaceInfo中（也可以找最大人脸，根据实际需要调整）
  3. 进行特征提取，并将提取结果保存在faceFeature用于之后的特征比对

3.2 特征对比

for (int i = 0; i < multiFaceInfo.faceNum; i++)
{
	tempFaceInfo.faceDataInfo = multiFaceInfo.faceDataInfoList[i];
	tempFaceInfo.faceOrient = multiFaceInfo.faceOrient[i];
	tempFaceInfo.faceRect = multiFaceInfo.faceRect[i];

	cvRectangle(&rgbImage, cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top),
		cvPoint(multiFaceInfo.faceRect[i].right, multiFaceInfo.faceRect[i].bottom), cvScalar(0, 0, 255), 2);
	PreExtractFeature(&rgbImage, tempFeature, tempFaceInfo);

	ASFFaceFeatureCompare(m_hEngine, &tempFeature, &faceFeature, &confidenceLeve);
	if (confidenceLeve >= THRESHOLD)
	{
		string text = to_string(multiFaceInfo.faceID[i]) + "  level:" + to_string(confidenceLeve);
		cvPutText(&rgbImage, text.c_str(), cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top), &font, CV_RGB(255, 0, 0));
	}
  • 在循环处理视频帧时，逐个保存多人脸信息中的每个人脸信息在tempFaceInfo中。
  • 然后根据tempFaceInfo来进行特征提取。
  • 提取到的特征值和之前获取到的图片特征值进行对比
  • 对比之后的置信度数值保存在confidenceLeve中，然后进行和阈值之间的判断
  • 如果判断成功，就在视频中进行显示标记对比置信度结果。

3.3 完整程序

#include "pch.h"
#include <stdio.h>
#include <iostream>  
#include <stdlib.h>
#include "arcsoft_face_sdk.h"
#include "amcomdef.h"
#include "asvloffscreen.h"
#include "merror.h"
#include <string>
#include "opencv2/opencv.hpp"
#include <fstream>  //进行文件操作

//使用命名空间std和cv
using namespace std;
using namespace cv;

//宏定义关键量
#define NSCALE 32	//支持最小的人脸
#define FACENUM 10	//可识别的人脸数目最大为10

#define VIDEO_FRAME_DEFAULT_WIDTH 640//定义摄像头宽
#define VIDEO_FRAME_DEFAULT_HEIGHT 480//定义摄像头高

#define filePath "./face_lib/"

#define THRESHOLD 0.82
//进行全局变量的定义
MHandle m_hEngine;//引擎handle
MHandle m_hImgEngine;

//加载人脸识别库
#pragma comment(lib, "libarcsoft_face_engine.lib")

void GetDevInfo()
{
	ofstream fout;
	fout.open("devInfo.txt");//将设备信息保存在该文件中
	MRESULT res = MOK;
	char* deviceInfo = NULL;
	res = ASFGetActiveDeviceInfo(&deviceInfo);
	if (res != MOK)
	{
		printf("ASFGetActiveDeviceInfo: %d\n", res);
	}
	fout << deviceInfo;	//进行保存
}

void devActive()
{
	char ActiveFileName[] = "decActive.dat";	//创建一个字符数组来存储激活文件的文件名
	MRESULT res = ASFOfflineActivation(ActiveFileName);	//离线激活
	if (MOK != res && MERR_ASF_ALREADY_ACTIVATED != res &&
		MERR_ASF_LOCAL_EXIST_USEFUL_ACTIVE_FILE != res)
	{
		cout << "ASFOfflineActivation failed: " << res << endl;	//激活失败打印
	}
	else cout << "ASFOfflineActivation success" << endl;	//激活成功打印
}


//裁剪图片
void PicCutOut(IplImage* src, IplImage* dst, int x, int y)
{
	if (!src || !dst)
	{
		return;
	}

	CvSize size = cvSize(dst->width, dst->height);//区域大小
	cvSetImageROI(src, cvRect(x, y, size.width, size.height));//设置源图像ROI
	cvCopy(src, dst); //复制图像
	cvResetImageROI(src);//源图像用完后，清空ROI
}

//颜色空间转换
int ColorSpaceConversion(IplImage* image, MInt32 format, ASVLOFFSCREEN& offscreen)
{
	switch (format)
	{
	case ASVL_PAF_RGB24_B8G8R8:
		offscreen.u32PixelArrayFormat = (unsigned int)format;
		offscreen.i32Width = image->width;
		offscreen.i32Height = image->height;
		offscreen.pi32Pitch[0] = image->widthStep;
		offscreen.ppu8Plane[0] = (MUInt8*)image->imageData;
		break;
	case ASVL_PAF_GRAY:
		offscreen.u32PixelArrayFormat = (unsigned int)format;
		offscreen.i32Width = image->width;
		offscreen.i32Height = image->height;
		offscreen.pi32Pitch[0] = image->widthStep;
		offscreen.ppu8Plane[0] = (MUInt8*)image->imageData;
		break;
	default:
		return 0;
	}
	return 1;
}

//初始化引擎
//如果是图片模式，那么激活引擎m_hImgEngine
//如果是视频模式，那么激活引擎m_hEngine
MRESULT InitEngine(ASF_DetectMode detectMode)
{
	MInt32 mask = 0;

	if (ASF_DETECT_MODE_IMAGE == detectMode)
	{
		mask = ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_LIVENESS;
		MRESULT res = ASFInitEngine(detectMode, ASF_OP_ALL_OUT, FACENUM, mask, &m_hImgEngine);
		return res;
	}
	else
	{
		mask = ASF_FACE_DETECT | ASF_FACERECOGNITION | ASF_LIVENESS | ASF_UPDATE_FACEDATA;
		MRESULT res = ASFInitEngine(detectMode, ASF_OP_ALL_OUT, FACENUM, mask, &m_hEngine);
		return res;
	}
}

//提取人脸信息
//如果不传入使用的引擎，那么默认使用视频引擎，返回为保存所有人脸的多信息
MRESULT PreDetectFace(IplImage* image, ASF_MultiFaceInfo& MultiFaces, MHandle& tempEngine = m_hEngine)
{
	if (!image) { cout << "图片为空" << endl;	return -1; }
	IplImage* cutImg = NULL;
	MRESULT res = MOK;
	MultiFaces = { 0 };//人脸检测
	cutImg = cvCreateImage(cvSize(image->width - (image->width % 4), image->height), IPL_DEPTH_8U, image->nChannels);
	PicCutOut(image, cutImg, 0, 0);
	ASVLOFFSCREEN offscreen = { 0 };
	ColorSpaceConversion(cutImg, ASVL_PAF_RGB24_B8G8R8, offscreen);
	res = ASFDetectFacesEx(tempEngine, &offscreen, &MultiFaces);
	if (res != MOK || MultiFaces.faceNum < 1)
	{
		cvReleaseImage(&cutImg);
		return -1;
	}
	return res;
}


//提取特征，如果不输入引擎，那么默认选用视频引擎，进行人脸人脸追踪，否则进行图片特征提取
MRESULT PreExtractFeature(IplImage* image, ASF_FaceFeature& feature, ASF_SingleFaceInfo& faceRect, MHandle& tempEngine = m_hEngine)
{
	if (!image || image->imageData == NULL)
		return -1;
	IplImage* cutImg = cvCreateImage(cvSize(image->width - (image->width % 4), image->height), IPL_DEPTH_8U, image->nChannels);
	PicCutOut(image, cutImg, 0, 0);
	if (!cutImg) { cvReleaseImage(&cutImg); return -1; }

	MRESULT res = MOK;
	ASF_FaceFeature detectFaceFeature = { 0 };//特征值
	ASVLOFFSCREEN offscreen = { 0 };
	ColorSpaceConversion(cutImg, ASVL_PAF_RGB24_B8G8R8, offscreen);
	if (tempEngine == m_hEngine)
		res = ASFFaceFeatureExtractEx(tempEngine, &offscreen, &faceRect, ASF_RECOGNITION, 0, &detectFaceFeature);//这里相比于3.0版本做了修改
	else
		res = ASFFaceFeatureExtractEx(tempEngine, &offscreen, &faceRect, ASF_REGISTER, 0, &detectFaceFeature);
	if (MOK != res) { cvReleaseImage(&cutImg); return res; }

	if (!detectFaceFeature.feature)
		return -1;

	feature.featureSize = detectFaceFeature.featureSize;
	feature.feature = (MByte *)malloc(detectFaceFeature.featureSize);
	memset(feature.feature, 0, detectFaceFeature.featureSize);
	memcpy(feature.feature, detectFaceFeature.feature, detectFaceFeature.featureSize);
	cvReleaseImage(&cutImg);
	return res;
}

int main()
{
	//离线激活设备
	devActive();//调用激活设备的函数

	InitEngine(ASF_DETECT_MODE_VIDEO);


	InitEngine(ASF_DETECT_MODE_IMAGE);

	//输入名字，从图片库中加载图片提取特征
	string img_name;
	cout << "请输入图片库中姓名:" << endl;
	cin >> img_name;
	string fimgPath = filePath + img_name + ".jpg"; //简单直接的做法，如果想要更准确正式的获取路径或文件，可以使用c++的文件操作
	Mat tempImg = imread(fimgPath.c_str());
	IplImage getImg(tempImg);
	ASF_MultiFaceInfo getMultiFaceInfo = { 0 };
	PreDetectFace(&getImg, getMultiFaceInfo, m_hImgEngine);//图片中的人脸信息保存在getMultiFaceInfo中

																 //将多人脸信息提取第一个保存在getFaceInfo，用于下一步的特征提取
	ASF_SingleFaceInfo getFaceInfo;
	getFaceInfo.faceRect = getMultiFaceInfo.faceRect[0];
	getFaceInfo.faceOrient = getMultiFaceInfo.faceOrient[0];
	getFaceInfo.faceDataInfo = getMultiFaceInfo.faceDataInfoList[0];//相比于3.1版本新加入的

	ASF_FaceFeature faceFeature = { 0 };
	PreExtractFeature(&getImg, faceFeature, getFaceInfo, m_hImgEngine);

	//捕获图像并开始处理
	cv::Mat rgbFrame;//保存图像帧
	cv::VideoCapture rgbCapture;//获取本地摄像头视频
	if (!rgbCapture.isOpened())
	{
		//bool res = rgbCapture.open("rtsp://127.0.0.1:8554/demo");//可以使用本地视频路径
		bool res = rgbCapture.open(0);//可以使用本地摄像头
		if (res)
			cout << "打开本地摄像头成功！" << endl;
		else
		{
			cout << "打开本地摄像头失败！" << endl;
			return -1;
		}
	}
	if (!(rgbCapture.set(CV_CAP_PROP_FRAME_WIDTH, VIDEO_FRAME_DEFAULT_WIDTH) &&
		rgbCapture.set(CV_CAP_PROP_FRAME_HEIGHT, VIDEO_FRAME_DEFAULT_HEIGHT)))//设置摄像头的宽和高分别为设定值（这里为640×480）
	{
		cout << "RGB摄像头初始化失败！" << endl;
		return 1;//设置失败的话就返回1，程序结束
	}
	CvFont font;
	cvInitFont(&font, CV_FONT_HERSHEY_COMPLEX, 0.5, 0.5, 1, 1, 8);
	ASF_SingleFaceInfo tempFaceInfo = { 0 };//临时保存从视频帧上识别到的单人脸信息
	ASF_MultiFaceInfo multiFaceInfo = { 0 };
	ASF_FaceFeature tempFeature = { 0 };
	MFloat confidenceLeve;
	cout << "开始识别！" << endl;
	while (true)
	{
		rgbCapture >> rgbFrame;
		if (!rgbFrame.empty())//判断不为空时再处理
		{
			tempFaceInfo = { 0 };//临时保存从视频帧上识别到的单人脸信息
			multiFaceInfo = { 0 };
			tempFeature = { 0 };
			IplImage rgbImage(rgbFrame);
			MRESULT detectRes = PreDetectFace(&rgbImage, multiFaceInfo);//faceInfo保存的是视频帧上识别到的最大的单人脸信息
			if (MOK == detectRes)
			{
				//对检测到的所有人脸信息画框
				for (int i = 0; i < multiFaceInfo.faceNum; i++)
				{
					tempFaceInfo.faceDataInfo = multiFaceInfo.faceDataInfoList[i];
					tempFaceInfo.faceOrient = multiFaceInfo.faceOrient[i];
					tempFaceInfo.faceRect = multiFaceInfo.faceRect[i];

					cvRectangle(&rgbImage, cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top),
						cvPoint(multiFaceInfo.faceRect[i].right, multiFaceInfo.faceRect[i].bottom), cvScalar(0, 0, 255), 2);
					PreExtractFeature(&rgbImage, tempFeature, tempFaceInfo);

					ASFFaceFeatureCompare(m_hEngine, &tempFeature, &faceFeature, &confidenceLeve);
					if (confidenceLeve >= THRESHOLD)
					{
						string text = to_string(multiFaceInfo.faceID[i]) + "  level:" + to_string(confidenceLeve);
						cvPutText(&rgbImage, text.c_str(), cvPoint(multiFaceInfo.faceRect[i].left, multiFaceInfo.faceRect[i].top), &font, CV_RGB(255, 0, 0));
					}
				}
			}
			//显示图像
			IplImage* m_curVideoImage;//保存拷贝后的图像
			m_curVideoImage = cvCloneImage(&rgbImage);//复制一份图像
			cvNamedWindow("show image");
			cvShowImage("show image", m_curVideoImage);
			if (waitKey(1) >= 0)
				break;
		}
		else
		{
			cout << "视频获取结束" << endl;
			break;
		}
	}
	rgbCapture.release();
	cout << "识别结束" << endl;
	return 0;
}

/***************************
//第一次运行时使用
int main()
{
	//获取设备信息
	GetDevInfo();//调用获取设备信息的函数

}
***************************/

3.4 实现效果

我们在项目文件夹中新建一个face_lib文件夹，并放入指定人脸的图片
在这里插入图片描述

运行程序时可以输入图片库中的名称，进行指定人脸的跟踪
运行效果如下：

在这里插入图片描述

三、总结

这次是我第一次使用SDK4.1的版本，之前使用的都是3.1的版本，相比于3.1版本，这次版本做了一些改动，我在进行demo的开发时，是根据之前的经验来做的，没有阅读版本改动，致使此次开发走了很多弯路，最后都是通过debug一点一点找到问题所在，然后再次阅读开发文档才得以解决。在使用SDK或其他技术进行项目开发时，要对开发文档以及改动说明进行了解，可以少花时间，少走弯路。

milkhoko
关注
  • 6
    点赞
  • 踩
  • 18
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
C++ 人脸识别程序 简单demo （基于虹软SDK）
12-13
本人尝试了几种人脸识别开源或免费的库和SDK（opencv+opencv_contrib-master+cmake, 中科院山世光老师开源的Seetaface, 该代码里用到的虹软免费SDK） 个人感觉虹软的sdk较好吧，还是那句话 两分你买不了吃亏，两分你买不了上当
基于虹软C++2.0 SDK的人脸识别实验
yellow_fish_flag的博客
11-27 537
一． 实验环境 操作系统：windows10 使用工具：visual studio 2017 开源代码：虹软C++ 2.0版人脸识别源代码、虹软C++ 2.0 Demo源代码 二． 实验内容 a) 自己上网(如github等)查找各种人脸识别代码，最好是基于深度学习的，调试后运行； b) 采集和注册自己及同学的人脸照片，进行人脸识别 c) 必须完成自己个人的人脸认证工作 三． 实验步骤 下载源码： 前往链接下载所需SDK和Demo 安装vs2017 头文件配置：inc文件夹内文件放入\ArcFa
虹软人脸识别3.0 - 图像数据结构介绍（C++）
qq_40110356的博客
12-02 1669
从虹软开放了2.0版本SDK以来，由于具有免费、离线使用的特点，我们公司在人脸识别门禁应用中使用了虹软SDK，识别效果还不错，因此比较关注虹软SDK的官方动态。近期上线了ArcFace 3.0 SDK版本，确实做了比较大的更新。上一篇主要介绍了关于Android平台算法的改进，本篇将介绍一下关于Windows平台算法的更新。 特征比对支持比对模型选择，有生活照比对模型和人证比对模型 识别率、防攻...
java引用虹软sdk，实现完整人脸识别（demo）
09-11
## 开发环境准备： ###开发使用到的软件和工具： * Jdk8、mysql5.7、libarcsoft_face.dll(so)、libarcsoft_face_engine.dll(so)、libarcsoft_face_engine_jni.dll(so)、idea * 注：libarcsoft_face.dll(so)、libarcsoft_face_engine.dll(so)、libarcsoft_face_engine_jni.dll(so)、app-id、sdk-key可以到虹软官网 http://ai.arcsoft.com.cn/ 免费申请下载 * 本地配置：
人脸识别视频定位
07-28
使用harr分类器做的一个人脸视频定位，默认寻找视频中最大的人脸，采用了ROI来提速
使用虹软SDK进行视频人脸识别
碎碎馮同學分享学习交流
03-17 4426
视频人脸识别系列 第一篇 使用openCV进行视频人脸识别 第二篇 使用虹软SDK进行视频人脸识别 第三篇 使用虹软SDK进行视频人脸比对 文章目录视频人脸识别系列前言一、环境依赖开发环境申请虹软KEYmaven 项目集成虹软sdk在项目根目录创建 libs 库 将下载的虹软SDK解压把里面的 arcsoft-sdk-face-3.0.0.0.jar 放入 libs 目录。并把 WIN64 目录也放在该目录下或者把WIN64放在别的目录也可以。在 pom.xml 添加引用二、使用虹软SDK进行人脸识别在
人工智能Java SDK：读取本地摄像头，实时检测人脸
weixin_39355136的博客
11-04 660
人脸检测 人脸识别技术目前已经广泛应用于包括人脸门禁系统、刷脸支付等各行各业。随着人脸识别技术的提升，应用越来越广泛。目前中国的人脸识 别技术已经在世界水平上处于领先地位，在安防行业，国内主流安防厂家也都推出了各自的人脸识别产品和解决方案，泛安防行业是人脸识别技术主要应用领域。 人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。 生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘
Python3 OpenCV 人脸识别、录像、抓图
qq_42208305的博客
08-10 419
haarcascade_frontalface_default.xml 。可以使用usb摄像头、rtsp流进行录像、人脸识别操作、人脸抓图。
Android基于RTMP视频流的人脸识别（上篇）
yinshipin007的博客
04-08 555
相信大家都对直播不会陌生，直播的技术也越来越成熟了，目前有这样的一个技术，当弹幕飘到主播的脸上的时候，弹幕会自动消失，出了人脸范围内，就继续显示出来。这个原理非常的简单，其实就是人脸识别，将人脸识别范围内的弹幕全都隐藏。说起来容易做起来难，本文将分以下几点讲述如何实现RTMP视频流的人脸识别。方案选择ffmpeg的接入ffmpeg的数据解析OpenGL的数据绘制人脸跟踪以及人脸框的绘制。
人脸识别(USB摄像头、网络摄像头、RTSP流)
06-26
人脸识别(USB摄像头、网络摄像头、RTSP流)
RV1126 基于虹软人脸识别算法实现的示例使用教程
09-12
RV1126 基于虹软人脸识别算法实现的示例使用教程
opencv可通过rtmp/rtsp获取视频流人脸识别与并截图
08-29
opencv可通过rtmp/rtsp获取视频流人脸识别与并截图,JAVA版本
虹软离线人脸识别 ArcFace 2.0sdk Demo [C++]
11-04
环境： win10（10.0.16299.0）+ VS2017 sdk版本：ArcFace v2.0 OPENCV3.43版本 x64平台Debug、Release配置都已通过编译下载后可直接运行 详情见：https://blog.csdn.net/cngwj/article/details/83708866
C# 人脸识别Demo（基于虹软免费SDK）完整版
08-21
C# 人脸识别 虹软免费SDK 原版高清下载，完整版 基于虹软最新的免费SDK写的C# 人脸识别的Demo，包含人脸检测，人脸对比，人脸检索功能.有关此Demo的详细信息可以阅读博客 http://blog.csdn.net/feishixin/article/details/77397027
虹软动态人脸识别
04-04
camera预览开启 获取预览视频流数据 识别数据中的人脸 并并标识出来
C#实现基于ffmpeg加虹软的人脸识别的示例
08-29
本篇文章主要介绍了C#实现基于ffmpeg加虹软的人脸识别的示例，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
opencv学习笔记（三）-- 矩阵的掩膜操作
milkhoko的博客
01-11 2719
矩阵的掩膜操作
opencv学习笔记（十）-- 图像模糊去噪（中值滤波和双边滤波）
milkhoko的博客
09-12 1777
文章目录中值滤波双边滤波 之前我们学习了均值滤波和高斯滤波，并且在opencv中进行了应用，接下来还有两种滤波方式，中值滤波和双边滤波 中值滤波 双边滤波
opencv学习笔记（九）-- 图像模糊去噪（均值滤波和高斯滤波）
milkhoko的博客
08-31 1770
文章目录图像模糊去噪 图像模糊去噪
虹软人脸识别中的人脸识别是如何实现的
最新发布
05-30
虹软人脸识别中的人脸识别是通过以下几个步骤实现的： 1. 人脸检测：对输入的图像进行人脸检测，定位出图像中的人脸区域。 2. 人脸对齐：对检测出的人脸区域进行关键点定位和对齐，使得人脸在后续的特征提取和比对...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值